Data Scientist Signaux Faibles
Ref : 200224B007-
ASAP
-
75 - Paris
-
3 mois (renouvelables)
-
Consultant
-
Banque et Finance
Compétences requises
Description de la mission
Nous recherchons un Data Scientist Signaux pour une mission de 3 mois renouvelables sur Paris.
Besoin : Nous qualifions de « signaux faibles » les signes avant-coureurs d’une éventuelle dégradation de la qualité de crédit d’une contrepartie. Concrètement, il peut s’agir d’une décision politique affaiblissant la position d’une grande entreprise, d’une chute des prix de l’immobilier affectant le patrimoine d’un particulier, ou encore d’une contraction du marché sur lequel opère une PME. Les possibilités sont nombreuses, mais elles ont en commun d’échapper à nos systèmes de notation actuels comme la probabilité de défaut car ces signaux apparaissent typiquement dans les médias (e.g. presse, internet, podcasts) sous forme non structurée. Le challenge est donc de les capter automatiquement et de les intégrer à nos bases de données au même titre que les traditionnels postes de bilan, comportement bancaire, etc. L’exploitation de cette association de données structurées et non structurées dans un système prédictif nous permettra alors d’anticiper la dégradation des notes de nos contreparties à un horizon de quelques années, avec des applications comme la mise en watchlist, le pilotage des RWA, la gestion IFRS… Le premier livrable attendu, fin 2020, est un prototype du modèle prédictif limité à certains secteurs activités.
Besoin : Nous qualifions de « signaux faibles » les signes avant-coureurs d’une éventuelle dégradation de la qualité de crédit d’une contrepartie. Concrètement, il peut s’agir d’une décision politique affaiblissant la position d’une grande entreprise, d’une chute des prix de l’immobilier affectant le patrimoine d’un particulier, ou encore d’une contraction du marché sur lequel opère une PME. Les possibilités sont nombreuses, mais elles ont en commun d’échapper à nos systèmes de notation actuels comme la probabilité de défaut car ces signaux apparaissent typiquement dans les médias (e.g. presse, internet, podcasts) sous forme non structurée. Le challenge est donc de les capter automatiquement et de les intégrer à nos bases de données au même titre que les traditionnels postes de bilan, comportement bancaire, etc. L’exploitation de cette association de données structurées et non structurées dans un système prédictif nous permettra alors d’anticiper la dégradation des notes de nos contreparties à un horizon de quelques années, avec des applications comme la mise en watchlist, le pilotage des RWA, la gestion IFRS… Le premier livrable attendu, fin 2020, est un prototype du modèle prédictif limité à certains secteurs activités.